Ugyanazt mérik a kérdéseim? (faktorelemzés, megerősítő)

Röviden

Legalább három kérdést (tételt) vizsgálunk közös csoportokra, pl. egy kérdőív kidolgozásakor. A Statable ehhez főkomponens-elemzést számol (1 feletti sajátérték, varimax rotáció; az SPSS-ben a faktorelemzés alapbeállítása), és megmutatja, melyik kérdés melyik komponenshez tartozik. A Kaiser-kritérium mellett, amely gyakran túl sok komponenst ad, a párhuzamos elemzés (Horn, 1965) javaslatát is mutatja; a szám a kiválasztásnál rögzíthető. Arra a kérdésre, hogy milyen közös jellemzők állnak a kérdések mögött, ott van a „Főtengely-faktorelemzés, promax” lehetőség: olyan faktorelemzés, amelynek faktorai összefügghetnek. Ökölszabály: kérdésenként legalább 5 személy, jobb, ha 10. Hogy egy komponens tartalmilag mit jelent, azt a szakember dönti el.

Az eredmény értelmezése

• Minden komponens (vagy faktor) több kérdést foglal össze. A töltés (−1 és 1 között) megmutatja, mennyire tartozik hozzá egy kérdés; nagyjából ,40-től számít. A ,30 alatti töltésű kérdések egyik csoportba sem tartoznak.
• A sajátérték megmutatja, mennyi varianciát foglal össze egy komponens (az 1 egyetlen kérdésnek felel meg); a magyarázott variancia százalékban szerepel. A Kaiser-kritérium (1 feletti sajátérték) gyakran túl sok komponenst nevez meg; a számban a párhuzamos elemzés és a könyökdiagram segít.
• Főkomponenseknél a mondat azt mondja, hogy „a komponensek több kérdés varianciáját foglalják össze”; csak a „főtengely, promax” szól a kérdések mögötti közös tulajdonságokról. A KMO (,60-tól) és a Bartlett-próba megmutatja, hogy az adatok alkalmasak-e faktorelemzésre. Hogy mi legyen a csoport neve, a kérdések tartalma dönti el; a negatív töltés azt jelenti, hogy a kérdés ellenkező irányba fut.

A főkomponensek nem faktorelemzés

• Az alapbeállítás (főkomponensek, mint az SPSS-ben) a kérdések teljes varianciáját foglalja össze néhány komponensben. A szűk értelemben vett faktorelemzés (főtengely, promax) ezzel szemben a kérdések mögötti közös tulajdonságokat keresi, és csak a közös varianciát magyarázza. Aki látens tulajdonságokat keres, a „főtengely, promax” beállítást választja, vagy megerősítő módon vizsgál egy elképzelést; aki csak egy kérdéssort akar összefoglalni, használhat komponenseket. A töltések előjele tetszőleges; a Statable jelzi, ha egy komponenst fordítva olvas.
• A Statable mindig megadja a PSPP-nek a komponensek vagy faktorok számát (1 feletti sajátérték vagy a választott szám). Enélkül a PSPP a saját alapbeállítása szerint tartana meg komponenseket, amelyet a Statable nem szánt; a mondatban és a táblázatban szereplő szám ezért úgy érvényes, ahogy meg van jelenítve.

Már van elképzelésem (megerősítő)

Ha a csoportokat magad szeretnéd megadni, például egy elméletből vagy egy kérdőívből, nyisd meg az eredményben a „Már van elképzelésem …” részt. Ott minden kérdés egy-egy faktorhoz van rendelve (nevezd el a faktorokat, legfeljebb öt; az „Átvétel a faktorelemzésből” előtölti a hozzárendelést). A Statable ezután az R-rel (lavaan) számol. Az R-t az első alkalommal egyszer tölti be (kb. 30 MB); utána körülbelül egy másodpercig tart.

Az illeszkedés olvasása (megerősítő)

• Illeszkedés (illeszkedési mutatók): a CFI és TLI ,95-től, az RMSEA ,06-ig és az SRMR ,08-ig jó illeszkedésnek számít (Hu és Bentler, 1999); a CFI és TLI ,90-től, valamint az RMSEA ,08-ig még elfogadható (Bentler és Bonett, 1980; Browne és Cudeck, 1993). Ezek ökölszabályok, nem próbák.
• Standardizált faktorsúlyok: kb. ,40-től egy kérdés láthatóan hozzájárul a faktorához; standard hibával, p-értékkel és intervallummal.
• A faktorkorrelációk megmutatják, mennyire szorosan függnek össze a faktorok.
• Az útvonalábra a faktorokat körökként, a kérdéseket dobozokként, a faktorsúlyokat pedig a nyilakon mutatja; képként elmenthető.

Ha az R azt jelzi, hogy nem működik

Nem azonosított: minden faktorhoz legalább két, lehetőleg három kérdés kell. Negatív reziduális variancia vagy 1 feletti faktorsúly (Heywood-eset): gyakran egy faktorral kevesebb segít. Nincs konvergencia: a hozzárendelés rosszul illik az adatokhoz, vagy túl kevés a személy.

CFA: χ²(24) = 85,31, p < ,001, CFI = ,93, TLI = ,90, RMSEA = ,09, 90%-os KI [,07; ,11], SRMR = ,07 (n = 301)

Főkomponens-elemzés varimax rotációval: 2 komponens 1-nél nagyobb sajátértékkel, együtt a variancia 58,3%-a (n = 118)

Főtengely-faktorelemzés promax rotációval (κ = 4): 3 faktor (rögzítve), együtt a variancia 31,8%-a (n = 150); párhuzamos elemzés: 3, Kaiser-kritérium: 4

Szakembereknek

Feltáró: PSPP, FACTOR EXTRACTION=PC és ROTATION=VARIMAX beállítással (alapértelmezés), vagy EXTRACTION=PAF és ROTATION=PROMAX(4) beállítással (κ = 4, mint az SPSS-ben és a psych-ben; a PSPP 2.1.3 megadás nélkül 5-öt használna); promaxnál a mintázatmátrix alapján történik a hozzárendelés. A párhuzamos elemzést maga a Statable számolja, a psych::fa.parallel(fa = "pc") módjára: a sajátértékek 95. percentilise 100 azonos méretű véletlen adatkészletből (rögzített kezdőérték); három adatkészleten R-rel ellenőrizve. Megerősítő: lavaan::cfa, markermódszer (minden faktor első kérdése rögzítve), a faktorok korrelálnak, minden kérdés egy faktorra tölt. Becslő: ML (alapértelmezés) vagy WLSMV ordinális válaszokhoz, ott skálázott mérőszámokkal; hiányzó értékek: a személyek kihagyása, vagy FIML (csak ML). R-rel ellenőrizve: HolzingerSwineford1939 és psych::bfi. A küszöbértékek nem szigorúak; WLSMV esetén kevésbé megalapozottak.

FACTOR
  /VARIABLES=item1 item2 item3 item4
  /CRITERIA=MINEIGEN(1) ITERATE(25)
  /EXTRACTION=PC
  /ROTATION=VARIMAX.

Tipikus példák

• Nyolc kérdés a vizsgaszorongásról: egy dolgot mérnek, vagy kettőt (például aggodalmat és feszültséget)?
• Kérdőív a tanulási stratégiákról: mely kérdések tartoznak össze?